3S Market 傳遞 智慧應用與價值的商業資訊
Will the coronavirus crisis reshape globalisation and the economic system?
冠狀病毒危機會重塑全球化和經濟體係嗎？
今日主題 智慧安控\雲端\物聯網\行業應用 智慧安控應用 |
2021年6月7日 星期一
．透過監測社交距離以預防/減少 COVID 傳播
The Impact of COVID-19 Social Distancing
COVID-19 社交距離的影響
摘要
COVID-19 是一種嚴重的流行病，使世界陷入全球危機。截至 2021 年 6 月 6 日，全球已有超過 4200 萬人被感染，114 萬人死亡。
對流行病的更深入瞭解顯示，一個人的疏忽，可能會造成難以否認的廣泛傷害。由於疫苗供不應求，因此必須保持社交距離，以阻止 COVID-19 的傳播。
因此，我們的目標是開發一個追蹤人類的框架，以監控正在實施的社交距離。為了實現社交距離監控的這一目標，開發了一種使用對象檢測方法的算法。在這裡，探索了基於 CNN 的對象檢測器，來檢測人類的存在。
物體檢測器的輸出，用於計算檢測到的每對人類之間的距離。這種社交距離算法的方法，將紅色標記靠近允許限制的人。實驗結果證明，使用我們提出的社交距離算法，是基於 CNN 的對象檢測器，在監控公共區域的社交距離方面，表現出有希望的結果。
介紹
COVID-19（冠狀病毒）是一種傳染病，已被世界衛生組織 (WHO) 宣佈為流行病。它於 2019 年底在中國武漢首次發現。截至 2020 年 10 月 23 日，全球有 217 個國家和地區受到 COVID-19 的影響，並報告了大約 4200 萬確診病例和 114 萬人死亡。
圖1 說明了 2021 年 1 月 22 日至 2020 年 10 月 23 日的病例總數和死亡總數。根據世界衛生組織，如果一個人與其他病毒感染者接觸，他可能會感染 COVID-19。迄今為止，疫苗仍遠遠供不應求。因此，有必要尋找替代控制措施，來防止這種致命病毒的傳播。
眾所皆知，預防勝於治療，世衛組織提出了多項安全措施，以盡量減少冠狀病毒的傳播。在目前的情況下，社交距離已被證明是，作為阻止傳播最巧妙的替代方法之一。社交距離也可以稱為「實體距離」，這意味著與周圍的人保持距離。
保持社交距離，有助於減少可能感染 COVID-19 的人，和健康人之間的身體接觸或互動。根據世衛組織的標準規定，每個人之間應保持至少 6 英尺的距離，以遵守社交距離。
這是打破傳染鏈的重要方式。因此，所有受影響的國家，都採取了保持社交距離的措施。
在即時場景中，監控社交距離是一項具有挑戰性的任務。可以透過兩種方式實現：手動和自動。手動方法需要許多肉眼，來觀察每個人是否嚴格遵守社交距離規範。這是一個艱鉅的過程，因為人們無法在 24 × 7 的情況下，保持眼睛連續監控。
自動化監控系統，用閉路電視攝影機取代了許多實體眼睛。閉路電視攝影機生成影像片段，自動監控系統會檢查這些片段。當發生任何可疑事件時，系統會發出警報。針對此警報，安全人員可以採取相關措施。因此，自動化監控系統，已經超越了手動監控方法的幾個侷限性。
這項研究目的，在限制冠狀病毒流行的影響，同時將對經濟產物的危害降至最低。在本文中，我們提出了一種有效的自動監視系統，可幫助定位每個人，並監控他們的社交距離參數。
此應用適用於室內和室外監控場景。它可以在火車站、機場、大型商店、商場、街道等各種地方得到顯著使用。所提出的方法，可以看作是兩個主要任務的組合，提到如下：
(i) 人體檢測和追蹤
(ii) 監測人與人之間的社交距離
在第一個任務中，這項研究解決了監控影像中，人體檢測和追蹤 的問題。人體檢測是一個兩階段的過程，涉及第一階段的目標定位，和第二階段的定位目標的分類。本文提出了一種，基於視覺特定學習的人體檢測技術，透過影像源中的深度神經網路。
第二個任務的重點，是使用我們提出的算法，計算公共區域中人與人之間的距離。如果遵循，將根據社會距離做出決定。如果不是，那麼不遵守社交距離標準的人，會用紅色矩形突出顯示。看到這一點，保全人員可以採取與社交距離規則，相關的任何行動，以便嚴格遵守。
本文分為五個部分。第一節描述了保持社交距離的動機，和介紹性的知識。第二部分目的，在對各種人體檢測技術，傳統和最新的方法進行大量研究。第三部分側重於，有關深度學習的人體檢測模式。實驗及其詳細分析，在第四部分中介紹。最後，在第五部分中，描述了結論和未來的範圍。
文獻報導的評論
2001 年，Viola 和 Jones，提出了一種非常流行的目標檢測方法。他們使用 Haar 特徵進行特徵提取，使用 adaboost 學習算法，與級聯分類器進行分類。這種方法，比傳統方法快 15 倍。 Fu-Chun Hsu 等則提出了，一種透過融合運動和視覺特徵，來檢測頭部和肩部的混合方法。
作者發現定向光流直方圖 (HOOF) 描述，符是分割影像序列中，運動對象的更好選擇，並且可以有效地處理雜亂和遮擋的環境。
Vijay 和 Shashikant 提出了，一種用於高級駕駛員輔助的即時行人檢測。該系統使用 Edgelet 特徵，來檢測行人，以提高準確性，並使用有關 k-means 聚類算法的分類器，來降低系統複雜度。蘇曼·庫馬爾·喬杜里等人， 因而提出了一種先進的行人系統，透過結合背景減法技術，提取運動物體、輪廓方向直方圖，和基於黃金比例的分區，從運動物體和 HIKSVM 中，提取有意義的資訊進行物體分類。該系統可以有效處理遮擋，準確率高達 98.36%。
Seemanthini 和 Manjunath 為動作辨識系統，佈署了人體檢測技術。辛格等人提出了，一種透過閉路電視攝影機，在城市進行廣泛監視的人體檢測框架。他們使用背景減法技術，分割運動對象，使用 HOG 描述符提取特徵，使用 SVM 進行對象分類。
早些時候，對象檢測框架實現了滑動窗口概念，用於圖像內的對象定位。根據這種方法，圖像被分成特定大小的塊或區域。
此外，這些塊被分類到它們各自的類別中。各種手工特徵提取技術，如 HOG、SIFT、LBP等，用於評估屬性或特徵。
此外，這些屬性用於建構分類器，以在圖像的網格上定位對象。然而，這種基於網格的原型，需要很高的計算成本，有時會產生很高的誤報率。
因此，需要一個有效的對象分類，和定位框架，來檢測圖像中具有不同尺度的多個對象。另外，它應該降低計算成本和誤報率。最近，在使用深度卷積神經網路 (CNN) 的對象檢測方面，取得了重大進展。
卷積神經網路 (CNN) ，是一類密集的前饋人工神經網路，已被用於在電腦視覺任務中準確執行，例如圖像分類和檢測。CNN 能夠在卷積過程的幫助下，提取穩健的特徵。其強大的屬性表示能力，在目標檢測中發揮了巨大的作用。
Aichun、Tian 和 Qiao 提出了一種用於多個人體上半身檢測，深度層次的模式。該模式採用具有多個卷積特徵的，候選區域卷積神經網路 (CR-CNN) ，來適應圖像中的局部和上下關聯資訊，並已實現高達 86% 的準確率。
文獻中的研究顯示，目標檢測在電腦視覺中具有重要的作用，因為它具有許多實際用例，例如人臉檢測、行人、檢測、活動辨識、醫學成像等。本文擴展了其作用。物體檢測以減少 COVID-19 的生動傳播。因此，我們的目標是開發一種應用，用於使用高效的對象檢測器，分析人與人之間的社交距離。
提議的最先進的社交距離監測框架
如圖 2 所示，此處提出了在公共場所，監控社交距離的總體場景。任何公共場所可用的閉路電視攝影機，都可用於監控，即監控社交距離。
從這些攝影機接收的影像串流/幀序列，被饋送到對象檢測和跟蹤模組，用於定位場景中是否有人。評估對象/人位置的「質心」和許多此類質心之間的「距離」等參數，以衡量所實踐的社交距離程度。
將檢測到的人類邊界框的顏色，從綠色更改為紅色時，會生成警報。邊界框的顏色為綠色，直到任何兩個人之間存在允許的距離。當這個減少時，邊界框的顏色變為紅色，這表示違反社交距離。
基於滑動窗口的區域提議，是設計高效目標檢測器，一種簡單直接的方法。根據這種方法，圖像或幀被分成特定大小的塊或區域。此外，這些塊被分類到它們各自的類別中。
塊的分類可以透過不同的機器學習，和深度學習的範式來實現。區域也可能包含對象的一部分，這會在對象周圍引入許多邊界框。為瞭解決這個問題，非最大抑制（NMS）算法，用於在圖像中正確定位對象，抑制低邊界框，並只保留最好的。
本文運用基於深度學習的技術，借助基於滑動窗口的區域提議算法，來檢測人類的存在。所提出的技術在對象檢測，和定位方面非常有幫助，這在第 3 節中進行了描述。3.1. 中，這些採用的技術用於社交距離算法，以查看人們是否遵循距離標準。社交距離的算法，在 3.2. 的第 1 節中描述。
提出的 CNN 模型
卷積神經網路 (CNN)，引起了研究界的高度關注，並且可以成功地嵌入到，更廣泛的圖像分類範式中。它以圖像為輸入，根據可訓練的加權和偏差，為圖像中的不同對象分配重要性，並有效區分每個對象。
本文介紹了兩種基於 CNN 的序列模式，來檢測圖像中是否存在個體。這些建議模式的總體概述如表 1 所示。這些模式由卷積層、池化層、扁平化、全連接層 1 和 2，以及輸出層組成。
這兩個模式唯一的區別，在於模式 1 由兩個卷積層和兩個池化層組成，而模式 2 由三個卷積層和三個池化層組成。由於這種變化，模式 1 產生大約 10,402,993 個可訓練參數，而模型 2 產生大約 2,861,297 個可訓練參數。
表 1 建議的模式配置
圖 3 顯示了模式 2 的圖形結構，它以大小為 128 × 64 × 3 的彩色圖像作為輸入，並生成其預測值作為輸出。它具有三個卷積層、三個池化層、兩個全連接層和一個輸出層。第一個卷積層涉及 32 個大小為 3 × 3 的捲積濾波器，而第二個和第三個卷積層，分別涉及 48 個濾波器，和 64 個卷積濾波器。卷積層使用 (1, 1) 步長值。池化層涉及 (2, 2) pool size 以減小圖像的大小。兩個大小分別為 512 和 128 的全連接層 (FC) ，用於訓練網路。輸出層的大小是一個神經元，指示返回 True 或 False 值。我們在卷積層和全連接層中使用了「Relu」激活函數。
而「Sigmoid」函數用於輸出層，產生輸出向量，其中每個元素都是一個概率。在第一層 FC 中使用 30% 的 dropout 率來克服過擬合問題。
圖 3
建議的社交距離監控算法
這是我們提議的，框架的第二階段。 所提出的社交距離監控算法，具有兩個主要功能。Function1，有助於找出圖像中對象的位置。它使用人體檢測技術，並以坐標值的形式提供人體位置，如 XA（左）、YA（上）、XB（右）和 YB（下）。從這些坐標值中，辨識出不同對象的質心值。 對一個對象的質心值的評估，顯示在方程中 1 和 2。
其中 XA、YA、XB 和 YB 是對象的坐標值（左、上、右、下）。 X 和 Y 是質心坐標或值。 此外，這些參數被傳遞到下一個函數，來測量社交距離。
函數 2 使用阿基里得距離，找出兩個物體之間的距離，這決定了它們之間的接近程度，如公式 2 所示。3. 將這個距離向量與預定義的閾值，進行比較來做出決定。 如果阿基里得距離小於某個閾值，則假定這兩個對像不遵守社會疏遠標準，或者它們之間沒有足夠的距離。如果違反這些安全問題，冠狀病毒就有可能傳播。 因此，透過在對象周圍繪製紅色矩形，向安全人員生成警報。因此，預期的人或觀察者，可以採取適當的行動，或要求他們保持社交距離。
實驗與分析
在本文中，已經開發了基於 CNN 的技術，來檢測人類的存在。此外，保持社交距離的做法，是從這些建議的技術中進行的。所有實驗均在 64 位類型系統的 Intel core i3-5005 CPU@2.00 GHz 處理器，和 Python 中的 Google Colab 上進行。
我們使用 INRIA 圖像數據集，進行訓練。它由總共 6562 張圖像組成，其中 4146 張圖像為負圖像，2416 張圖像為正圖像。我們將圖像數據集，分為訓練和測試模組，其中 2316 張正圖像和 4046 張負圖像，用於訓練目的；100 張正圖像和 100 張負圖像，用於測試目的。該數據集包含靜態圖像，並包含解析度為 64 × 128 的人類變異。
在對基於滑動窗口模組，即時影像的序列進行測試時，最小窗口大小為(64, 128)，步長為(10, 10)，縮小為1.25。對於大小為 264 × 400 × 3 的圖像，它處理了大約 567 個窗口，每個窗口的大小為 64 × 128。
所提出的技術採用了 CNN 架構進行人體檢測。它使用滑動窗口概念進行區域提議，使用 Convnet 進行人體檢測。作為導出優化模式，實驗的一部分，已經提出了兩種不同的模式，即模式 1 和模式 2。這些模式使用不同的參數進行了超調，例如批次大小、Dropout 率、激活函數、優化器和 Epoch。表 2 說明瞭這些模式不同變體的超參數調整。
表 2 建議模型的超參數調整
這些提議的模式（即模式 1 和模式 2），在不同的超參數上，進行了訓練和測試，並提供了適當的結果，如表 3 所示。模式 1 以「8」批量大小、「30%」丟失率、「 卷積層和 FC 層的 Relu' 激活函數、輸出層的 'Sigmoid' 激活函數、'Adam' 優化器和 '120' epochs。 它產生 97% 的測試準確率。
模式 2 的結構，以與模式 1 相同的方式進行了超調，除了兩個模式具有不同的結構、丟失率和優化器參數。模式 2 產生 98.50% 的測試準確率。
表 3 模型 1 和模型 2 的結果
在執行實驗時，觀察到基於 CNN 的模式，在我們的系統（具有 4 GB 暫存的 i3 處理器）中，運行時的訓練，和測試成本非常昂貴。相反，它在 Google Colab 平台（在 GPU 環境中）運行流暢，計時成本更低。
表 4 顯示了透過我們的系統和 Google Colab 進行的整體訓練和測試時間比較。這裡，使用大小為 264 × 400x3 的圖像，來評估所提出模式的測試時間。
表 4 模式 1 和模式 2 的時間比較
圖 4 展示了模式 1 和模式 2 超過 120 個 epoch 的精度和損失曲線。在分析這兩個模式時，我們發現模式 2 提供了，比模式 1 更令人鼓舞的結果，後者提供了更高的精度和更低的損失值。
表 5 顯示了我們提出的模式，與現有人體探測器的比較分析 經過探索，發現兩種模式都提供了出色的結果。但是，模式 2 實現了最高的準確度，並被證明是最有效的人體檢測技術。
表 5 與現有人體檢測方法的比較
在物理即時系統中，為可能接收影像串流，而適當定位和放置攝影機，是最具挑戰性的任務。在實驗的上下關聯中，可以看出，如果攝影機靠近物體/人，物體看起來更大，如果攝影機遠離物體，則捕獲的圖像中的物體尺寸會減小。
這在獲取用於物體/人體，檢測相關的特徵時，產生了問題。因此，考慮到我們的算法，基於實際校準，來調整攝影機的位置。 圖 5 展示了一些用於執行社交距離的結果圖像，其中包含應用 NMS 之前的原始檢測，和應用 NMS 之後的最終檢測結果。
結論
本文建議，使用基於深度學習的人體檢測技術，來監控即時環境中的社交距離。這些技術是在深度卷積網路的幫助下開發的，該網路使用滑動窗口概念，作為區域提議。此外，它們與社交距離算法一起使用，來衡量人與人之間的距離標準。
這個評估的距離標準，決定了兩個人是否遵循社交距離的規範。廣泛的實驗，是使用基於 CNN 的對象檢測器進行的。在實驗中發現，基於 CNN 的物體檢測模式，在準確率上優於其他模式。有時，它在處理即時影像序列時，會產生一些誤報實例。
未來，不同的現代物體檢測器，如 RCNN、Faster RCNN、SSD、RFCN、YOLO 等，可能會與自創數據集一起佈署，以提高檢測精度，並減少誤報實例。
此外，從單個攝影機獲得的單個視點，無法更有效地反映結果。因此，提出的算法可能在未來，透過許多攝影機針對不同的視圖進行設置，以獲得更準確的結果。
．紅外線和熱成像的應用領域
Top Thermal Imaging Applications 熱成像的熱門應用領域
禾企 SHANY 紅外線 熱顯像儀 熱成像 熱顯測溫 100% 台灣製造
紅外線熱像儀的應用領域
這個世界上，有很多肉眼看不到的東西。人眼只能捕捉某些光線範圍，而且捕捉某些高速運動，或不可見力的能力也很有限。從人體的熱量到不可見的氣體，人類視覺的侷限性，可以透過紅外線和熱成像技術來解決。
你可以在下面的報導，了解更多有關紅外線熱像儀，和熱成像基礎知識的資訊。除了閱讀有關該領域，基本原理的更多資訊外，你還將了解當今世界上，紅外線熱像儀的一些，激動人心且常見的應用。
什麼是紅外線和熱成像？
如上所述，人眼只能捕捉到，較大電磁波譜中的一小部分。短而強的光波長，和長而慢的波長，都超出了人眼的能力範圍。這是紅外線攝影機和熱成像，可以填補人類視線空白的地方。熱能的波長比可見光長得多。事實上，它是如此之長，以至於人眼甚至都看不到它。
紅外線熱像儀的熱成像，透過完成人眼無法完成的工作，來擴展人眼的「可見」光譜。它感知這些更長的波長，並在人眼可以理解的，彩色編碼世界中捕獲它們。世界上任何溫度高於絕對零的事物，都會散發出一定程度的熱量，這些熱量可以被檢測到。
FLIR
也稱為前視紅外線，這些攝影機在警用直升機、軍用飛機中非常常見，用於發現熱源，並透過影像輸出顯示。然而，FLIR 攝影機與其他夜視設備，和傳統紅外線攝影機有很大不同，因為它們只顯示特定的紅外線範圍。
InfraTec 為每個應用領域（無論是固定式還是移動式）提供靈活的熱成像軟體，從而滿足最具體的客戶需求。
用於無損材料測試的主動熱成像
主動熱成像通常被稱為，透過對測試對象，進行能量激勵來誘導熱流。熱流受內部材料層和缺陷的影響，可以透過高精度紅外線攝影機捕獲。這對算法進行了不同的評估，並提高了信噪比，即使是最小的缺陷，也能檢測到。該領域的用途包括：
．無損和非接觸式材料測試，適用於自動化在線和離線解決方案
．檢測塑料中的層狀結構、分層和插入物
．檢測汽車和航空航天工業的 CFRP
．調查內部結構或對蜂窩輕質結構的影響
．辨識更深層次的材料缺陷，例如塑膠零件中的氣孔，或破裂的雷射焊縫
航空熱成像
航空熱成像的歷史，始於早在南北韓戰爭期間，就開始的軍事應用，用於探測地面上的敵軍和資源。 紅外線攝影機系統的高幾何解析度，允許從高處檢測到最小的細節，然後可用於觀察和監控。雖然這一直是由美國軍方開發以進行持續改進，但以下是其在其他領域的不同用途的一些示例：
．增強地面小物件的視覺清晰度
．在不危及人類生命的情況下評估環境破壞的程度
．快速紅外攝像系統提供低拖尾
．GPS數據和視覺圖像的整合
．範圍廣泛的配件，如萬向節系統
．監測大型地質屬性的變化
．檢查工業綜合體上生物頂的蓄熱能力
航空航太工業中的熱成像
由於存在高安全性和材料要求，航空航太對紅外線攝影機系統提出了最高要求。通常，需要 20 mk 的高熱解析度和/或 100 Hz 或更高的高幀率。航空航太公司可以使用熱成像，來測試新型複合材料上的主動熱流，以確保下一代更輕、更省油的飛機與今天的機型一樣安全。
汽車工業中的熱成像
拆解汽車的零件可能很麻煩，而熱成像提供了一種非侵入性和非破壞性的方法測試，可以節省時間和精力。激烈的競爭和對性能更好、更省油、更輕的汽車的追求，激發了熱成像技術，透過對每個電氣系統、電機組件和車窗加熱元件，進行品質檢查來提供所需的效率。它可以檢測汽車行業的多種產品的瑕疵和缺陷，只能透過溫度變化來檢測，並允許將組件的熱行為，與其標準行為相協調。
高速熱成像
高速圖像捕捉為熱成像開闢了新的可能性，允許觀察高速熱過程。這允許對零件和系統進行細緻觀察，有助於了解快速反應的化學過程，並結合強大的測量和報告軟體提供大量資訊。這些攝影機使用了，稱之為快照檢測器的特殊檢測器和採集單元，它們並行採集和顯示數據的能力，可提供低至毫秒範圍的精確熱成像測量。
化學工業中的熱成像
處理危險和非危險化學材料的行業，可以受益於紅外線熱像儀，有助於檢測化學過程產生的熱流。熱成像使捕捉和測量溫度分佈變得更容易、更準確，還可以分析整個過程鏈中的化學反應。 最重要的是，熱成像的非侵入性和非接觸性質，意味著人們保持安全距離，而熱成像攝影機則負責收集相關數據的所有跑腿工作。
電子電氣行業中的熱成像
電氣系統和配電設備可以受益於紅外線攝影機和熱成像技術的應用。它不僅可以防止人類直接接觸這些系統和電路，而且可以在不中斷電源流動的情況下，進行測試和檢測。透過紅外成像可以在電場中檢測到的常見問題包括：
．連接鬆動
．接觸不良
．過熱的襯套
．冷卻通道堵塞
製造業還可以從電子熱成像中受益，以監測可能的過熱情況、密切關注儲罐液位、生產線檢查，甚至評估電路板的狀況。
機械零件檢查
紅外線熱像儀可以安全地檢查各行各業的機械系統，在問題成為主要問題之前發現問題。與機械檢測相關的熱成像應用多種多樣，包括但不限於：
．檢測內燃機中堵塞的空氣冷卻器和散熱器管
．查找製冷系統中的空氣洩漏和冷凝器管堵塞
．定位並辨識泵、壓縮機、風扇和鼓風機中過熱的軸承、升高的排放溫度和過高的油溫
用於材料測試的熱成像
在以非破壞性方式，研究結構情況或測試材料時，紅外線熱像儀提供了強大的替代方案。由於這個世界上的一切事物，只要其溫度高於絕對零，就會發出紅外線，因此可以使用紅外線進行無損材料測試，因為它可以從任何發生加熱或冷卻的表面，捕獲測量值和讀數。 在這些環境中使用紅外線熱像儀，進行熱成像不僅是非破壞性的，而且是非侵入性的。
例如，可以使用紅外線測試完成建築檢查。在尋求提高能源效率，並在應對氣候變化方面引領世界前進時，使用紅外線攝影機可以極大地幫助改善建築結構，以應對能源損失和資源浪費。
醫學中的熱成像
熱成像應用在人類和動物的醫療保健領域比比皆是。熱成像中的紅外線熱成像，正被用於幫助更早地檢測癌症、定位關節炎的來源，甚至在循環問題變得嚴重之前就發現它們。醫生和獸醫都可以使用紅外線攝影機，及早發現肌肉和骨骼問題。該領域熱成像的一個例子，是越來越多地使用紅外線攝影機，來為馬匹配備更安全的馬鞍。
冶金中的熱成像
冶金領域完全取決於加熱到合適溫度的合適材料，以確保獲得合適的結果。在這種情況下，紅外線攝影機和熱成像，提供了許多好處。首先，冶金中的紅外線熱成像，可以透過檢測加熱室的絕緣缺陷、鍋中的裂縫或類似設備的問題，來幫助降低能源消耗。 熱成像的速度和精度，使冶金行業很容易從紅外線熱像儀中受益。
顯微熱成像
我們網站上討論的許多熱成像應用，都側重於大規模操作。鑑於紅外線攝影機，不僅可以向人類展示肉眼看不到的東西，還可以檢查肉眼無法看到或分析的過程。有許多顯微熱成像應用，也就是說，那些發生在微觀尺度上。
一個常見的例子，是來自移動技術領域，因為電路板和處理器不斷縮小，以適應現代設備。然而，在微觀層面上，還有其他流行的熱成像應用。例如，它可用於可視化和檢測一組生物細胞的冷凍潛熱，有助於冷凍保存和生物技術的進步。顯微熱成像也可用於觀察有機材料的結晶。
用於工廠檢查的紅外線攝影機
工廠檢查需要最高品質的監控，以檢查所有可能導致事故，或對員工安全構成威脅的故障。在預測性維護中使用熱成像，通常用於查找電子廣告製造公司的故障。紅外線系統提供高效檢查，無需接觸或干擾正常/日常操作或維護人員的風險。紅外線攝影機提供概覽和初步結果，使過程更安全、更高效。
用於安控的紅外線攝影機
紅外線攝影機為安全監控領域提供的，不僅僅是簡單的威脅檢測，和戰場上的敵人移動。安全領域的熱成像應用，可用於檢測充滿煙霧的房間，提供有效的家庭安全，甚至定位被走私到監獄或縣監獄的武器和化學品。
 |
．5G 和物聯網：具有無限應用的新興技術
IoT & 5G Technology - Internet of Things - 5th Generation Technology - Factoid English
物聯網與 5G 技術 - 物聯網 - 第 5 代技術 - 擬真英語
隨著社會迅速進入資訊時代的新階段，人工智慧、數據處理和蜂窩通信方面的最新進展，已經帶來了更快的無線數據交換。
隨著 4G 達到高達 2 Gbps 的舒適下載速度，預計 5G 將推動行動性能從 2.4 Gbps（當前的 LTE Cat 20）提升至接近 20 Gbps。 因此，5G 為有線光纖網路，增加了一種可行的高速數據網路替代方案。
到 2030 年，物聯網 (IoT) 解決方案將連接超過 500 億台設備。雖然 5G 仍在以驚人的速度推出，但由此產生的通信發展，將把世界帶入一個更快、更智慧的未來。
請繼續看下去，以瞭解當今企業如何利用和準備 5G 行動物聯網，以及這項創新技術，將如何在不久的將來，改善我們工作和個人生活的方方面面。
什麼是 5G 物聯網？
5G 是一種新的通信系統，其中主要包括新無線電 (5G NR) 框架，和目的在改善全球無線連接的全新核心網路。它還包括衛星、Wi-Fi、固定線路和蜂窩（由 3GPP 標準化）等連接技術的多址接入概念。
考慮到支持物聯網的設備，5G 可以以更高的速度，連接更多設備，並且幾乎不存在延遲等問題。因此，無論你使用何種應用 app、設備或服務，5G 都能創造出色的使用者體驗。
大規模蜂窩物聯網技術的特點，是低成本、低功耗的解決方案。它們在室內和室外的廣泛覆蓋範圍內茁壯成長。它們提供安全的連接和身份驗證，易於佈署到任何網路拓撲結構，並且專為全方位可擴展性和容量升級而設計。
企業、城市開發商和其他工業組織，可以以更少的成本，連接更多具有更好功能的設備 —— 所有這一切都觸手可及的 5G 適應性。
行動物聯網系統正在為 5G 鋪平道路
根據 GSMA 的提議，行動物聯網是特指，使用許可頻段的蜂窩低功耗廣域 (LPWA) 技術。3GPP 窄頻物聯網 (NB-IoT) ，和長期演進機器類型通信 (LTE-M) 技術，都是智慧通信新 5G 時代，不可或缺的一部分。蜂窩 LPWA 為具有不間斷資訊流的 5G，鋪平了道路。預計這些 4G 技術，將繼續在 5G 網路的全面支持下持續多年，並在未來發布。
4G LTE 和 5G 等 3GPP 技術，幫助企業將 IT 和 OT 網路的覆蓋範圍，擴展到難以到達的區域，並且需要易於擴展的佈署策略和架構。
想想工廠倉庫中的智慧能源解決方案，工廠經理必須遠端調節多個站點的設施和設備，電力的使用和環境條件，以連接數千台設備。物聯網讓這一切變得容易。
現有的蜂窩網路，正在適應不斷成長的需求，為數十億需要連接解決方案的新設備提供服務，這些解決方案，主要在業務維度和技術上取得了進步。
佈署 NB-IoT 或 LTE-M 的企業，正在為他們的 IoT 項目，提供面向未來的支持。當 5G 推出變得司空見慣時，這兩個行動物聯網標準，將繼續無縫整合到即將發布的 5G 版本中，如凍結的版本 (Rel) 16 和版本 17 的最終規範中所見。
5G物聯網的當前應用
如上所述，包括 NB-IoT 和 LTE-M 在內的 4G 標準，仍然是 5G 早期版本的組成部分，目前正在為智慧城市、智慧物流和智慧公用事業，提供行動物聯網解決方案。早期的 5G 應用，主要集中在企業和高速工業網路、客戶端設備 (CPE)、行動計算、影像廣播和固定無線接入 (FWA)。
隨著更多網路佈署的普及，它們將不斷發展，並用於流式傳輸擴增實境和 3D 影像（需要高頻寬）以及工廠自動化、無人機等關鍵通信。
5G 物聯網，將改善日常用戶的生活品質，從個人應用到從根本上，改變我們的工作和生活方式。
借助 5G 物聯網，設施將繼續改進，以向整個網路發送關鍵升級，而不會凍結功能、停止營運或使伺服器過載。
當前將繼續受益於這些 5G 物聯網增強功能的行業包括：
未來的 5G 應用
智慧家庭、同步手錶和手機設備，以及健身應用，現在已經司空見慣，並將隨著 5G 的速度和性能能力而成長。在今天如此大規模地，嚴重的依賴行動物聯網的情況下，在未來 20 年左右的時間裡，5G 的未來將完全不同。我們將透過智慧電網和智慧環境監測，實現車輛和公用事業服務的大規模自動化，如廢棄物管理和能源生產，以減少溫室氣體和污染。
想像一下，你可以將智慧汽車停在停車庫中，並在你工作時，透過城市電網進行無線充電，然後向你的車輛發送消息，將其從停車庫，自動駕駛到你的辦公室門口（喔，你的司機恐怕要失業了）。
農村地區的農民，將能夠透過無人機和超密集感測器網路，更輕鬆地監測和追蹤農作物、牲畜和機械。
家庭用戶將能夠完全整合，以 COVID 為主導的在家工作模式，這很可能會作為新的企業規範，在武漢肺炎大流行中倖存下來。此外，家庭用戶將能夠優化電源使用，並從任何地方以串流式的傳輸方式，接收播放他們最喜歡的娛樂節目。
社會將更加高效率，智慧城市將名副其實，使用者以期待滿足他們喜好的個人化的資訊串流。
|